利用知识图谱进行破案的业务逻辑
利用知识图谱进行破案需要有强大的反欺诈识别能力，需要将人工业务逻辑和大数据引擎结合起来。
通常数据源会来自不同的维度，对于操作的人员，比如警方来说，需要允许他们通过多种方式快速浏览，查找和分析自己想要的信息。此外，在产品设计中还需要对考虑到各种高度敏感的安全问题。
基于知识图谱技术，大数据平台需要集成数据集成、搜索、知识管理、协作、发现这五大板块。下面，我来一一给你讲解下：
数据集成：可以从不同的数据源中获取数据，并且可以基于语义网（Ontology）来创建实体
搜索：需要为分析师提供了多种搜索机制，使他们能够找到匹配的数据，并且挖掘出数据间的关系，从而发挥数据的价值。
最常用是快速搜索（Quick Search），这一切的基础是需要一个很好的本体。此外，基于知识图谱，我们还可以生成复杂的搜索查询（布尔逻辑，变音位，模糊值），甚至是环形检索（Search Around）
知识管理：所有数据都可以根据其授权级别赋权给其他用户。
协作：允许分析师在私人调查中开始调查，也可以将调查结果共享给其他用户。同样，分析师可以选择接受其他用户的更新，以便进一步开展工作。
发现：反欺诈是许多企业面临的共性需求，这里可以通过寻找趋势的算法来进行聚类预测
以上的五大模块是同性的，但是用户的需求往往是个性化的，包括案件的内容以及破案的逻辑，因此需要人类智慧和大数据产品的结合。我们可以用下面的流程图代表大数据运作的基本原理。
Step1，首先需要有数据，这里就需要有数据采集、清洗、集成。
Step2，然后是建模，建模是高度依赖于任务的，因此也是依赖于人的经验总结，比如犯罪分子可能存在的行为特征。
Step3，最后指导任务的完成，这个过程，当我们把各种数据集成，建立各种模型后，就可以自动化的执行任务。
当然我们知道，需求非常多样化，因此也需要多样化的任务处理模型，来处理不同的任务。而且任务和任务之间往往是有关联的。所以基于知识图谱来完成破案，是个非常庞大复杂的系统，但是基本原理也离不开下面的流程图
如何使用知识图谱进行破案的？
知识图谱技术可以让我们从完成从数据端到智慧端的过程，具体实现途径如下图所示。
在数据端，一般数据量巨大，我们采用分布式数据采集系统，可以支持文档、网页、视频、传感器等采集的数据，先进行清洗存储，输出为基础数据。
在信息端，我们对数据进行语义处理，比如特征提取、事件识别、文本挖掘等，然后通过实体识别、角色识别、关系识别输出语义结构化数据。
在知识端，我们对知识进行建模，需要对本体进行建模、映射、存储，构建知识体系，输出知识库。
在智慧端，我们需要业务规则，包括进行图分析等计算，最后转化为人机可视化的交互方式方便用户进行可视化关联分析、问答、语义搜索等。
我们以安然破产的数据分析案例为例。首先面临的问题是：安然公司破产，指控其CEO（David Delaney）与Mariner公司发生内幕交易，缺乏证据。但是基于知识图谱，我们可以挖掘出更多有价值的信息：
在数据层：司法将安然内部的30万封邮件进行了公开
在信息层：我们需要对文本进行分类，实体抽取，事件抽取，并对文本中的角色、关系进行识别。发现邮件中指导的人员都是在哪个公司担任什么样的角色。并且对邮件中提到的内容及事件进行识别。
在知识层：可以发现有近千条提及Mariner公司的邮件中，David发出的3封邮件对其公允价值进行计算。并通过进一步的关联挖掘，得到相应的知识：
1）David对Mariner公司的公允价值计算虚假高估
2）邮件发出的时间 vs. David出售Mariner公司股票时间同轴匹配
3）全部邮件中的人名抽取，关联分析David关联人员
在智慧层：综合以上的知识，可以得出：
1）David 发出虚估Mariner公司公允价值的邮件时间节点与其出售该公司股票的时间吻合
2）David邮件关联人员中，有多人在Mariner公司重要部门担任要职
知识图谱是个非常有用的技术，它可以将数据转化为信息，进一步处理加工为知识，最后通过更高级别的综合和预测能力转化为智慧，对知识进行具体的应用。在技术使用中，我们可以使用阿里云的图数据库GDB，帮我们搭建知识图谱的应用，它可以把知识抽取和清洗出来，然后存入GDB中提供查询。这样当用户进行查询时，就可以直接把答案告诉用户。比如人物之间的关系是怎样的。此外，在GDB产品中，还可以结合多种数据分析方法，比如label propagation algorithms(LPA) 、LabelRank等社区发现算法，可以帮我们识别欺诈行为，这些都已经广泛应用到信用卡欺诈，电子商务欺诈，保险欺诈等场景中。
